文章目录1.算法原理BT.601 转换公式2.算法代码实现3.测试代码灰度图转YUV白点测试到这一步就很好理解,记住简单的数学公式即可.由于openISP的色彩空间转换只提供了,RGB转YUV的方法.实际上色彩空间的转换.还有RGB-HSV,RGB-YCrCb等等,感兴趣的自己问AI吧.下面以RGB-YUV为例,一起来验证一下.1.算法原理将 RGB 图像转换为 YCbCrYUV色彩空间。Y 分量表示亮度Cb/Cr 表示色度差便于后续亮度和色度的独立处理降噪、边缘增强等。YLuminance/Luma代表明亮度也就是我们常说的灰阶值。它反映了图像的明暗程度相当于一幅灰色的图像。U和VChrominance/Chroma代表色度分量用于描述影像的色彩和饱和度。BT.601 转换公式Y 0.257R 0.504G 0.098B 16 Cb -0.148R - 0.291G 0.439B 128 Cr 0.439R - 0.368G - 0.071B 128注config.csv 中的系数已乘以 1024实现时再除以 1024。2.算法代码实现实现细节使用 NumPy 广播运算高效处理全图向量化中间类型uint32防止 255×1024 ≈ 261120 溢出输出转uint8有效范围 Y∈[16,235]Cb/Cr∈[16,240]数学表达这里由于下面测试代码使用的Q10的格式,每个像素都放大了1024,所以这里会除以1024,具体请看测试代码中是怎么做的.[Y ] [csc[0,0] csc[0,1] csc[0,2]] [R] [csc[0,3]] [Cb] [csc[1,0] csc[1,1] csc[1,2]] × [G] [csc[1,3]] [Cr] [csc[2,0] csc[2,1] csc[2,2]] [B] [csc[2,3]] 结果 / 1024classCSC:Color Space Conversiondef__init__(self,img,csc):self.imgimg self.csccscdefexecute(self):img_hself.img.shape[0]img_wself.img.shape[1]img_cself.img.shape[2]csc_imgnp.empty((img_h,img_w,img_c),np.uint32)# for y in range(img_h):# for x in range(img_w):# mulval self.csc[:,0:3] * self.img[y,x,:]# csc_img[y,x,0] np.sum(mulval[0]) self.csc[0,3]# csc_img[y,x,1] np.sum(mulval[1]) self.csc[1,3]# csc_img[y,x,2] np.sum(mulval[2]) self.csc[2,3]# csc_img[y,x,:] csc_img[y,x,:] / 1024csc_img[:,:,0]self.img[:,:,0]*self.csc[0,0]self.img[:,:,1]*self.csc[0,1]self.img[:,:,2]*self.csc[0,2]self.csc[0,3]csc_img[:,:,1]self.img[:,:,0]*self.csc[1,0]self.img[:,:,1]*self.csc[1,1]self.img[:,:,2]*self.csc[1,2]self.csc[1,3]csc_img[:,:,2]self.img[:,:,0]*self.csc[2,0]self.img[:,:,1]*self.csc[2,1]self.img[:,:,2]*self.csc[2,2]self.csc[2,3]csc_imgcsc_img/1024self.imgcsc_img.astype(np.uint8)returnself.img3.测试代码灰度图转YUV我们知道RGB格式的灰度图各个通道分量都是一样的,所以Y分量完全可以理解为灰度值或亮度分量。 测试目标 1. 输出形状和 dtype 正确 2. BT.601 标准白点RGB255的 Y 值接近 235 3. 纯灰RGB时 Cb 和 Cr 接近 128色度中性 def_bt601_csc(self):返回 BT.601 CSC 矩阵×1024。cscnp.zeros((3,4))csc[0,:][0.257*1024,0.504*1024,0.098*1024,16*1024]csc[1,:][-0.148*1024,-0.291*1024,0.439*1024,128*1024]csc[2,:][0.439*1024,-0.368*1024,-0.071*1024,128*1024]returncscdeftest_gray_chromacomponents_neutral(self):纯灰图像RGB128Cb/Cr 通道应接近 128±10。imgmake_rgb(8,8,r128,g128,b128)csc_matself._bt601_csc()cscCSC(img.copy(),csc_mat)outcsc.execute()cb_meanfloat(out[:,:,1].mean())cr_meanfloat(out[:,:,2].mean())print(fcb_mean:{cb_mean},cr_mean:{cr_mean})测试结果cb_mean:128.0,cr_mean:128.0白点测试这里同样创建一张各通道值为235的白色灰度图,经过bt601转换后,Y通道的亮度值为217,符合预期.deftest_white_point_luma(self):白点RGB235的 Y 值BT.601 范围 16-235应在合理范围内。imgmake_rgb(4,4,r235,g235,b235)csc_matself._bt601_csc()cscCSC(img.copy(),csc_mat)outcsc.execute()y_valfloat(out[:,:,0].mean())print(fy_val:{y_val})测试结果y_val:217.0
openISP学习9-CSC-Color Space Conversion（色彩空间转换）
发布时间：2026/6/9 17:38:05
文章目录1.算法原理BT.601 转换公式2.算法代码实现3.测试代码灰度图转YUV白点测试到这一步就很好理解,记住简单的数学公式即可.由于openISP的色彩空间转换只提供了,RGB转YUV的方法.实际上色彩空间的转换.还有RGB-HSV,RGB-YCrCb等等,感兴趣的自己问AI吧.下面以RGB-YUV为例,一起来验证一下.1.算法原理将 RGB 图像转换为 YCbCrYUV色彩空间。Y 分量表示亮度Cb/Cr 表示色度差便于后续亮度和色度的独立处理降噪、边缘增强等。YLuminance/Luma代表明亮度也就是我们常说的灰阶值。它反映了图像的明暗程度相当于一幅灰色的图像。U和VChrominance/Chroma代表色度分量用于描述影像的色彩和饱和度。BT.601 转换公式Y 0.257R 0.504G 0.098B 16 Cb -0.148R - 0.291G 0.439B 128 Cr 0.439R - 0.368G - 0.071B 128注config.csv 中的系数已乘以 1024实现时再除以 1024。2.算法代码实现实现细节使用 NumPy 广播运算高效处理全图向量化中间类型uint32防止 255×1024 ≈ 261120 溢出输出转uint8有效范围 Y∈[16,235]Cb/Cr∈[16,240]数学表达这里由于下面测试代码使用的Q10的格式,每个像素都放大了1024,所以这里会除以1024,具体请看测试代码中是怎么做的.[Y ] [csc[0,0] csc[0,1] csc[0,2]] [R] [csc[0,3]] [Cb] [csc[1,0] csc[1,1] csc[1,2]] × [G] [csc[1,3]] [Cr] [csc[2,0] csc[2,1] csc[2,2]] [B] [csc[2,3]] 结果 / 1024classCSC:Color Space Conversiondef__init__(self,img,csc):self.imgimg self.csccscdefexecute(self):img_hself.img.shape[0]img_wself.img.shape[1]img_cself.img.shape[2]csc_imgnp.empty((img_h,img_w,img_c),np.uint32)# for y in range(img_h):# for x in range(img_w):# mulval self.csc[:,0:3] * self.img[y,x,:]# csc_img[y,x,0] np.sum(mulval[0]) self.csc[0,3]# csc_img[y,x,1] np.sum(mulval[1]) self.csc[1,3]# csc_img[y,x,2] np.sum(mulval[2]) self.csc[2,3]# csc_img[y,x,:] csc_img[y,x,:] / 1024csc_img[:,:,0]self.img[:,:,0]*self.csc[0,0]self.img[:,:,1]*self.csc[0,1]self.img[:,:,2]*self.csc[0,2]self.csc[0,3]csc_img[:,:,1]self.img[:,:,0]*self.csc[1,0]self.img[:,:,1]*self.csc[1,1]self.img[:,:,2]*self.csc[1,2]self.csc[1,3]csc_img[:,:,2]self.img[:,:,0]*self.csc[2,0]self.img[:,:,1]*self.csc[2,1]self.img[:,:,2]*self.csc[2,2]self.csc[2,3]csc_imgcsc_img/1024self.imgcsc_img.astype(np.uint8)returnself.img3.测试代码灰度图转YUV我们知道RGB格式的灰度图各个通道分量都是一样的,所以Y分量完全可以理解为灰度值或亮度分量。 测试目标 1. 输出形状和 dtype 正确 2. BT.601 标准白点RGB255的 Y 值接近 235 3. 纯灰RGB时 Cb 和 Cr 接近 128色度中性 def_bt601_csc(self):返回 BT.601 CSC 矩阵×1024。cscnp.zeros((3,4))csc[0,:][0.257*1024,0.504*1024,0.098*1024,16*1024]csc[1,:][-0.148*1024,-0.291*1024,0.439*1024,128*1024]csc[2,:][0.439*1024,-0.368*1024,-0.071*1024,128*1024]returncscdeftest_gray_chromacomponents_neutral(self):纯灰图像RGB128Cb/Cr 通道应接近 128±10。imgmake_rgb(8,8,r128,g128,b128)csc_matself._bt601_csc()cscCSC(img.copy(),csc_mat)outcsc.execute()cb_meanfloat(out[:,:,1].mean())cr_meanfloat(out[:,:,2].mean())print(fcb_mean:{cb_mean},cr_mean:{cr_mean})测试结果cb_mean:128.0,cr_mean:128.0白点测试这里同样创建一张各通道值为235的白色灰度图,经过bt601转换后,Y通道的亮度值为217,符合预期.deftest_white_point_luma(self):白点RGB235的 Y 值BT.601 范围 16-235应在合理范围内。imgmake_rgb(4,4,r235,g235,b235)csc_matself._bt601_csc()cscCSC(img.copy(),csc_mat)outcsc.execute()y_valfloat(out[:,:,0].mean())print(fy_val:{y_val})测试结果y_val:217.0
